ナレッジライブラリ

この文書では、モデルの学習とローリング推論に使う時系列パネルを準備するデータセット用ユーティリティを説明します。学習用データセットは、設定可能な系列長、日付範囲、ストライドに基づき、特徴量、将来リターン、ボラティリティ尺度、マスクのスライド系列を返します。日付範囲は利用可能なパネル日付に対応付けられ、完全な系列を確保できない範囲はコンストラクターが拒否します。…

このノートブックでは、幅広いUS株式ユニバースの順位付けに使う、価格由来の特徴量を作成します。モメンタム、ボラティリティ、移動平均、テクニカル指標の種類を説明し、1セッション先のリターンラベルに対して評価します。設計の中心的なルールは、全セッションの系列を使って銘柄ごとのローリング特徴量を計算し、適格性のスクリーニングを適用してから横断分析の順位を計算することです。これにより、ローリング期間の意味を保ちながら、各日の順位を実際に売買可能な銘柄に基づくものにします。…

この分析では、無期限先物の資金調達率について、複数のモデル群による検証予測を比較します。情報係数は後続リターンの順位との相関を測り、AUCは上昇と下落の結果の並び順を測定し、対数損失は確率の品質を評価して、自信過剰な誤りにペナルティを与えると説明します。これらの診断指標が答える問いはそれぞれ異なります。順位付けの改善は、より良い確率較正を保証しません。また、予測だけを評価する指標から、どのトレード戦略が最も良いかは判断できません。…

このケーススタディでは、DeFi…

このケーススタディでは、LSTMモデルを設定し、FXペアのラベルを予測します。再帰モデルが引き継ぐ隠れ状態、固定ルックバック変換が扱う過去の情報、畳み込みの受容野を対比し、他モデルとの比較は別の分析に委ねます。共通ランナーは学習前に系列長、アーキテクチャ設定、デバイス、ラベル、フォールド、チェックポイントのスケジュールを確定します。欠損した日次観測をまたぐルックバック期間は除外するため、検証カバレッジは元のパネルより狭くなる場合があります。…

このノートブックでは、ケーススタディのバックテストを対象に、損切り、トレーリングストップ、損失上限、ドローダウン遮断、ボラティリティ目標などのリスクオーバーレイを比較します。各研究のオーバーレイ結果を読み込み、可能な場合は配分段階のバックテストからベースラインを選び、そのパフォーマンスとオーバーレイ適用後を比較します。また、ルールの種類ごとに設定をまとめ、シャープレシオの平均・中央値の変化、改善した割合、ドローダウンの結果を調べます。…

このケーススタディでは、NASDAQ-100のマイクロストラクチャー特徴量に勾配ブースティング木を適用し、複数の日中時間軸でリターンと方向を予測します。木モデルと線形モデルを比較します。木モデルは、スプレッドに応じて注文フローの不均衡の振る舞いが異なる、といった条件付きの関係を発見できます。一方、線形モデルでは、そのような相互作用を明示的に与える必要があります。探索では木の複雑さ、損失関数、ブースティング反復回数を変え、複数のチェックポイントで予測を出力します。…

このノートブックでは、取引コストが仮想的な日中戦略のリターンをどの程度損なうかを推定します。まず、1分足の気配値を使ってNASDAQ-100構成銘柄の出来高加重気配スプレッドを測定し、構成銘柄のスプレッド中央値を、スプレッドを跨ぐコストの実証的な基準値とします。マーケットインパクト、スリッページ、手数料など、その他のコスト要素はシナリオ上の仮定です。仮想のグロス・シャープレシオ、ボラティリティ、日次の往復ポートフォリオNAV回転率のプロファイルに対し、成行で跨ぐ執行、指値注文を段階的に出す執行、受動的な執行のコス…

このノートブックでは、ETFの順位付けシグナルをポートフォリオの形成から簡略化したバックテストまで追います。リッジ回帰とロジスティック分類をウォークフォワード分割で学習し、モメンタムおよび均等ウェイトのポートフォリオと比較します。月次リバランスでは、稼働中のシグナルがロングオンリーの上位10銘柄を選び、均等配分します。グロスとネットの成績指標、売買回転率、横断面情報係数を報告し、シグナルの順位付け能力と、そのポートフォリオを取引した結果が異なり得ることを示します。…

このノートブックでは、時系列順のホールドアウトを保ちながら、モメンタムポートフォリオの損切り、利益確定、トレーリングストップのルールを調整します。1次元のパラメーター探索、ルールの組み合わせグリッド、決済済み取引の最大逆行幅と最大順行幅から導くストップまたは目標値の事前情報を比較します。候補設定を較正データで選び、後続期間で一度評価します。固定した設定の順位付けには、CAGRに基づくCalmarレシオを使います。…

このノートブックでは、S&P 500オプション研究における事前定義済みモデル群の一つとして、トランスフォーマー型系列モデルPatchTSTを適合させます。過去データ系列を固定長のパッチに分割し、トークンとして埋め込み、ウィンドウ内の位置同士の関係をアテンションで捉えます。LSTMの逐次的な再帰処理と比べると、アテンションは系列内の離れた部分を直接結び付け、ウィンドウを並列処理できます。位置情報は位置埋め込みを通じて学習する必要があり、パラメーター数が多いため、データが限られると適合が難しくなる場合があります。…

この概要では、資産クラス、ユニバースの規模、データ頻度、意思決定間隔、コストの前提、評価手順に基づいて、複数のトレード事例を整理します。各研究で明示された設定を読み取り、訓練・検証期間、フォールド数、ホールドアウト期間、シグナルからポジションへの変換などを比較表にまとめます。対象には株式、オプション、暗号資産、外国為替、先物、複数資産のETFが含まれ、市場や利用できるデータに応じた研究上の選択の違いを示します。…

この資料では、将来リターンの期間が重複するラベルについて、プールしたパネル自己相関とラベルの一意度に基づく有効標本数という2つの診断指標を定義します。自己相関の計算では、同じエンティティ内で、元のバーグリッド上の指定距離にある観測値だけを組み合わせます。エンティティごとに値を中心化してからプールすることで、エンティティ平均の違いによる見せかけの持続性を避けます。有効な組み合わせがないラグもNaNのまま表示します。…

このノートブックでは、推定期間の相関ネットワークを使って株式ユニバースの特性を把握し、ネットワークで分散したポートフォリオを構築する方法を示します。評価前に利用できるデータだけで流動性の高い銘柄を選び、リターン相関を距離に変換して最小全域木（MST）を抽出します。次数、媒介中心性、近接中心性で木構造のハブや橋渡しを要約し、逆中心性を使って構造上中心に位置する資産のウェイトを下げます。また、同期的なショック伝播の感応度分析を説明し、後続の評価期間でポートフォリオを比較します。…

このノートブックでは、ETFリターンとローリングボラティリティ特徴量の系列を、ロングオンリーのポートフォリオウェイトに直接変換するLSTM配分器を構築します。ソフトマックス出力により、ウェイトは非負で全額投資となります。リターンを予測してその予測を最適化器に入力する代わりに、学習目的関数は微分可能なシャープレシオを直接最大化します。時系列順に訓練・検証・テストに分割し、学習したウェイトを均等ウェイトおよび逆ボラティリティのポートフォリオと比較します。…

この探索的分析では、旧Quandl WIKI US株式パネルを調べ、価格の扱い、データの網羅性、バックテストに利用できる履歴を確認します。取引された価格水準を表す未調整価格と、株式分割や配当をまたいだリターンの算出を目的とする調整後価格を区別します。また、年ごとの銘柄数と初回・最終観測値で時系列の網羅性を確認し、行単位の欠損値やOHLCの整合性も調べることを提案します。…

このノートブックでは、調査プロセスの別の段階で選定した固定のCME先物設定に、想定取引コストが与える影響を評価します。手数料とスリッページを各水準で均等に分けた総コストのグリッドを適用します。選定済みのリスクオーバーレイはポジションと売買回転率の両方を変えるため、バックテストにも適用します。任意に選んだ単一コストでの成績ではなく、ネットのシャープレシオがゼロになるコスト水準を読み取ります。…

このノートブックでは、シャープレシオを標本抽出の不確実性を伴う推定値として扱います。標本の長さ、歪度、尖度を考慮した信頼区間と確率的シャープレシオを導き、目標シャープレシオをベンチマークと区別するのに必要なデータ量を、最低限必要な運用実績期間と検出力の計画を使って推定します。また、一般的な平方根頻度則に頼らず、系列依存を考慮してリターンを年率換算するLoの調整方法も説明します。…

このノートブックでは、共通のETFリターンパネルにポートフォリオ配分手法を適合させ、後続の観測期間で固定ウェイトを評価することで、PyPortfolioOpt、Riskfolio-Lib、skfolioを比較します。平均リスク、テールリスク、階層型リスクパリティ、ペナルティ付き配分を扱い、返されたウェイトを資産ごとに揃えて、ロングオンリーの制約と全額投資を確認します。ウォークフォワード評価は訓練期間内に留め、配分の一つは執行エンジン用の日次目標値にも変換します。…

このノートブックでは、分単位のNASDAQ-100データから3つの手法で特徴量を構築します。短期分散予測のためのローリング異質自己回帰モデル、直近の取引活動の周期構造を表すフーリエ変換、価格・注文フロー・取引強度の変化の順序を捉える深さ2の経路署名です。回帰特徴量はパラメーターの推定に使うデータ期間に依存しますが、変換と署名は直近の期間に対する固定計算です。特徴量を各バーで生成し、横断面での順位付け能力を評価します。…

このノートブックでは、公開済みのUS企業パネルを使い、企業特性に基づく月次ロング・ショート戦略を研究できるか評価します。データの符号化方式、利用可能なユニバースの経時変化、各リバランス時に両サイドを埋めるだけの企業数があるか、特性スプレッドが想定取引コストを上回る可能性があるかを確認します。また、ホールドアウトを未閲覧のまま、開発履歴に基づくウォークフォワード評価が可能かを調べます。企業を順位付けし、上位群を買い、下位群を売る戦略を、月次リターンを結果として説明します。…

このノートブックでは、価格変動にさらされ続けるリスクと市場インパクトの均衡を取りながらポジションを清算するAlmgren–Chriss解を導出します。到着価格に対する執行不足を使い、恒久的インパクトと一時的インパクトを分けてモデル化し、執行スケジュールのコストとリスクを導きます。リスク回避度を変えると効率的フロンティアを描けます。清算までの半減期でもスケジュールを表し、パラメーターの実務上の意味を示します。…

このノートブックでは、金融イベントグラフの分析で、イベントの発生時刻、公表時刻、グラフパイプラインによる抽出時刻を混同しない方法を示します。タイムスタンプ付きの8-K関係を読み込み、公表と抽出の遅延を測り、公表時点を基準にグラフのスナップショットを作成します。また、累積スナップショットを比較して関係の入れ替わりを計算し、後日の公表や抽出内容が過去の表示に混入していないか確認します。…

この文書では、先物間の共動から推定する共通のリターン要因として潜在ファクターを紹介します。名前付きの予測変数として与えるものではありません。各学習分割内で推定する2つのアプローチを比較します。主成分分析（PCA）はリターンの分散を最も多く説明する線形方向を見つけます。一方、ニューラル確率的割引ファクター（SDF）はクロスセクションの期待リターンを説明する共通の価格付け要素を探します。PCAはリターンのみを使いますが、SDFは特性を操作変数として使い、特性に応じたエクスポージャーを表現できます。…